Tema 01 - Visualización de datos

¿Por qué visualizar datos?

• Resumir información que no se vería en los datos en bruto (hoja de cálculo)

• Identificar patrones y relaciones entre variables

• Comunicar hallazgos de forma efectiva a diferentes audiencias

Creando un “ggplot”

library(ggplot2)
load("data/datosVisualizacion.RData")

ggplot(data = ventas)

ggplot(data = ventas, aes(x = marketing, y = ventas))

ggplot(data = ventas, aes(x = marketing, y = ventas)) + 
  geom_point()

ggplot(data = ventas) + 
  geom_point(aes(x = marketing, y = ventas))

Objetos Geométricos

Cada geom_*() agrega un tipo diferente de capa:

Para lista completa: buscar funciones que comienzan con geom_ en Ayuda

Asociación Estética, con aes()

• Cada aes() es una asociación entre una señal visual y una variable:

  posición: x, y	|	forma: shape
  color: color exterior	|	relleno: fill (color interior)
  tamaño: size	|	tipo de línea: linetype

• Algunas estéticas son solo adecuadas para variables cuantitativas o para cualitativas

• Cada geom acepta solo un subconjunto de estéticas (ver ayuda)

• Regla de oro: Si quieres que algo varíe con los datos, ponlo en aes()

ggplot(ventas, aes(x = marketing, y = ventas)) +
  geom_point(aes(color = region))

Asociación Estética vs. Opción Fija

• Con aes(), se visualiza una variable con una señal visual

• Fuera de aes(), se establece un valor fijo de la señal visual

ggplot(ventas, aes(x = marketing, y = ventas)) +
  geom_point(aes(color = "red"))

ggplot(macro, aes(y = desempleo, x = pib)) +
  geom_point(aes(color = norte), shape = "diamond")

ggplot(macro, aes(y = desempleo, x = pib)) +
  geom_point(aes(size = inflacion, color = deuda))

ggplot(macro, aes(y = desempleo, x = pib)) +
  geom_point(shape = "diamond", color = "blue", size = 3)

Gráficos como Objetos

• Un gráfico también es un objeto de R

graf_base <- ggplot(macro, aes(y = desempleo, x = pib)) +
                geom_point()

• Se pueden agregar capas a este objeto:

graf_base + geom_line()
graf_base + geom_point(aes(shape = norte)) 
graf_base + geom_point(aes(size = inflacion, color = deuda))

Datos (y estéticas) específicas por capa

Ejemplo práctico:

• geom_text(): acepta estéticas de etiquetas (variables con texto):

graf_base + geom_text(aes(label = pais), size = 3)

library(ggrepel)  # Evita solapamiento
graf_base + geom_text_repel(aes(label = pais), size = 3)

• Ahora con datos específicos por capa si solo queremos señalar algunos puntos

graf_base + 
  geom_text_repel(
    data = subset(macro, 
                  pais %in% c("España","Francia","Alemania")), 
    aes(label = pais), size = 3)

• Esta idea se puede generalizar: usar distintos datos o estéticas en cada capa según las necesidades del gráfico

Gráficos que muestran datos transformados

• Algunos gráficos (ej., dispersión) muestran los datos originales directamente

• Pero otros gráficos representan estadísticas calculadas a partir de los datos

• geom_boxplot(): datos → cuartiles, mediana

ggplot(clientes, 
       aes(y = gasto/1000)) +  
  geom_boxplot()

• geom_smooth(): regresión → predicción de línea de tendencia

graf_base + geom_smooth()           # con intervalos de confianza
graf_base + geom_smooth(method = lm, se = FALSE)  

Gráficos que muestran datos transformados (cont.)

• geom_bar() y geom_histogram(): datos → frecuencias por intervalo

• La estadística predeterminada en geom_bar() es contar casos (stat_count)

  • Notad que en Excel un gráfico de barras requiere los datos previamente transformados (datos contados)

ggplot(ventas, aes(x = region)) + geom_bar()

• En variables continuas, no hay categorías “naturales” para calcular frecuencias

  • Se tienen que definir “arbitrariamente” los intervalos

  • Distintas elecciones pueden revelar distinta información: p.e., no apreciamos un grupo importante de clientes con muy bajos ingresos en el último gráfico

graf <- ggplot(clientes, aes(x = ingresos/1000))
graf + geom_histogram(bins = 20)              # Número de grupos
graf + geom_histogram(binwidth = 3)           # Ancho de grupos
graf + geom_histogram(breaks = seq(10,90,5))  # Rangos

Escalas: Control de Asociación Estética

• aes() establece qué variable asignar, la escala cómo representarla

• Funciones de escala: scale_<estética>_<tipo>. Ejemplos,

Escalas (cont.)

• Algunos argumentos son habituales en casi todas las escalas (name, breaks, labels)

• Otros argumentos son específicos según el tipo de variables (continua, discreta) o la escala concreta

ggplot(macro, aes(y = pais, x = pib)) + 
  geom_point(aes(color = desempleo))  +
  scale_color_continuous(breaks = c(5, 10, 15),
                         labels = c("Bajo", "Medio", "Alto"), 
                         low = "green", high = "red")

ggplot(macro, aes(y = desempleo, x = pib/1000)) + 
  geom_point(aes(color = norte, size = deuda, shape = norte)) + 
  scale_y_continuous(breaks = seq(0, 20, 5), limits = c(-5, 25)) +
  scale_shape_discrete(labels = c("Norte", "Sur"), 
                       name = "Zona de Europa")

• Nota: este ejemplo tiene elementos redundantes a efectos ilustrativos

Escala Logarítmica

• En muchos contextos, las variables tienen un rango de valores amplio

  • PIB, población (Lux 0.6M vs ALE 83M), clientes (pyme 500 vs Inditex 200M)

• Escala lineal vs logarítmica:

  • Lineal: misma distancia visual = mismo aumento absoluto → los valores pequeños quedan “aplastados” para mostrar los grandes

  • Logarítmica: misma distancia visual = mismo incremento relativo (%)

ggplot(macro, aes(y = desempleo, x = poblacion)) + 
  scale_x_log10(breaks = seq(0,100,20)) + geom_point()

• Mejor que x = log(pib) porque los ejes se muestran en unidades originales

• Usar logs cambia la interpretación de diferencias absolutas a porcentuales

  • Más relevante +10% o +500 clientes (mucho en pyme, nada en Inditex)

  • NO para “evitar” valores extremos o distribución asimétrica

Facetas (sub-gráficos)

• Los sub-gráficos por variables categóricas son una alternativa a aes() para añadir variables

• Facilitan comparaciones, evitando la saturación visual (ej., demasiadas líneas en un solo gráfico)

graf_tiempo <- ggplot(ventas_tiempo, aes(x = fecha, y = ventas))
graf_tiempo + geom_line(aes(color = region))

• facet_wrap(): facetas por una variable (usando “fórmula” ~)

graf_tiempo + geom_line() + facet_wrap(~region, ncol = 2)

• facet_grid(): facetas en dos dimensiones

g3 <- ggplot(data = clientes) + geom_histogram(aes(x = gasto))
g3 + facet_grid(segmento ~ canal)  # Filas y columnas
g3 + facet_grid(segmento ~ .)      # Solo por filas 
g3 + facet_grid(. ~ canal)         # Solo por columnas

Contexto con labs()

• Una buena práctica de legibilidad es dar título al gráfico, nombrar los ejes, incluir leyendas

  • Descripciones claras de variables y sus unidades

ggplot(macro, aes(y = desempleo, x = pib/1000)) + 
  geom_point(aes(color = norte, size = deuda)) + 
  geom_smooth(method = "lm", se = FALSE) +
  labs(
    title = "Relación entre PIB per cápita y tasa de desempleo",
    subtitle = "Países de la Unión Europea (2023)",
    caption = "Fuente: Eurostat",
    x = "PIB per cápita (miles de €)",
    y = "Tasa de desempleo (%)",
    color = "Norte",
    size = "Deuda pública (% PIB)") +
  scale_y_continuous(breaks = seq(0, 20, 5))

Otros Elementos de Contexto

• annotate(): añade objetos geométricos NO asociados a variables:

ggplot(macro, aes(y = desempleo, x = pib/1000)) +
  geom_point(aes(color = norte)) + 
  geom_smooth(method = "lm", se = FALSE) +
  annotate("text", x = 60, y = 11, 
           label = "La doble división Norte-Sur") +
  annotate("text", x = 85, y = 6, label = "R ^ 2 == 0.45", 
           parse = TRUE)

• Líneas de Referencia

ggplot(clientes, aes(x = canal, y = gasto/1000)) +
  geom_boxplot() +
  geom_hline(yintercept = 3.0, linetype = "dashed", 
             color = "red") +
  annotate("text", x = 3, y = 3.3, 
           label = "Objetivo mínimo", color = "red")

Personalizar el aspecto general

• Se pueden cambiar manualmente colores (p.e., scale_fill_manual()) o la forma (ej., scale_shape_manual())

• PERO es preferible usar paletas predefinidas con criterios de diseño y visualización de información:

graf <- ggplot(ventas, aes(x = region, y = ventas, fill = region)) + 
          geom_boxplot()
library(RColorBrewer)
display.brewer.all()
graf + scale_fill_brewer(palette = "Set2")

graf + theme_gray()      

graf + theme_minimal()

library(ggthemes)
graf + theme_economist() + scale_fill_economist()     

Comentarios Finales

• Guardar gráficos: en la pestaña de Plots > Export o con el comando

ggsave("analisis-ventas.pdf")
ggsave("dashboard-macro.png", width = 12, height = 8, dpi = 300)